Avanço na simulação de proteínas: pesquisadores de Berlim revolucionam o método!

Avanço na simulação de proteínas: pesquisadores de Berlim revolucionam o método!

Em 18 de julho de 2025, uma equipe de pesquisa internacional liderada pela Prof. Dra. Cecilia Clementi do Universidade Livre de Berlim um artigo inovador na revistaQuímica da Natureza, o que está causando agitação no mundo científico. O artigo apresenta um novo modelo que permite simulação precisa e eficiente de proteínas - significativamente mais rápida do que simulações convencionais de dinâmica molecular.

O desafio de representar realisticamente o enovelamento e a dinâmica das proteínas existe há mais de 50 anos. Os pesquisadores usaram o aprendizado profundo para desenvolver um sistema que se aproxima das simulações de proteínas com todos os átomos. O modelo recém-desenvolvido, CGSchNet, usa uma rede neural gráfica para aprender interações efetivas entre partículas. Estas abordagens inovadoras abrem aplicações promissoras no desenvolvimento de medicamentos e terapias com anticorpos para o cancro e outras doenças.

Avanços na Simulação de Proteínas

O modelo concentra-se no processo de dobramento dinâmico de proteínas, incluindo os estados intermediários que desempenham um papel no dobramento incorreto, como os amilóides. Ele simula transições entre estados dobrados que são cruciais para o funcionamento das proteínas. Um avanço significativo deste modelo é a capacidade de prever com precisão estados de longa duração de proteínas dobradas, desdobradas e desordenadas.

Uma das características mais notáveis ​​do modelo CGSchNet é a capacidade de prever a estabilidade relativa de mutantes de proteínas dobradas, que os métodos anteriores não conseguiram alcançar. A professora Dra. Cecilia Clementi, que anteriormente foi professora de química e física na Rice University em Houston, Texas, está fortalecendo a pesquisa em biofísica teórica e computacional na Universidade Livre de Berlim. Seu trabalho é apoiado pelas cátedras Einstein, que apoiam as universidades de Berlim e a Charité nas negociações de nomeação ou residência.

Dados e modelos em detalhes

O estudo utilizou conjuntos de dados abrangentes. O conjunto de dados de referência contém 1.262 alvos e cobre uma ampla gama de estruturas proteicas, incluindo 717 proteínas de domínio único, 257 alvos recentemente publicados e 288 alvos do CASP 8–14. Esses conjuntos de dados foram preparados para remover redundâncias e ajustar a identidade da sequência para um corte <30%.

O conjunto de dados Human Protome inclui 20.595 proteínas e permite a análise diferenciada de proteínas de domínio único e multidomínio. Destas, foram previstas 19.512 proteínas, o que é potencialmente de grande importância para a previsão de estruturas. Além disso, o pipeline DI-TASSER, que utiliza uma abordagem híbrida para predição da estrutura proteônica, foi integrado à pesquisa.

Este pipeline executa todas as etapas, desde a geração profunda de MSA até a identificação do modelo de threading, até o refinamento estrutural e avaliação do modelo. O uso de algoritmos e tecnologias de última geração como DeepPotential e AttentionPotential ilustra a natureza inovadora do trabalho.

Os resultados do estudo são transferíveis para uma variedade de proteínas fora do conjunto de dados de treinamento específico, o que sublinha a relevância do modelo para a pesquisa bioquímica. A aplicação dos métodos desenvolvidos no estudo pode ter implicações de longo alcance para o futuro da pesquisa de proteínas e do desenvolvimento de medicamentos. Mais informações estão disponíveis na publicação detalhada Natureza encontrar.